METODE ENSEMBLE (BAGGING, BOOSTING DAN RANDOM FOREST)PADA CLASSIFICATION AND REGRESSION TREE (CART) UNTUKKLASIFIKASI KESERTAAN KELUARGA DALAM PELAKSANAANPROGRAM BINA KELUARGA LANSIA (BKL)PROVINSI JAWA TIMUR 2015
2017
Proyeksi meningkatnya rata-rata usia harapan hidup penduduk Indonesia
sebesar 71,7% pada tahun 2015-2020 memberikan konsekuensi peningkatan old
dependency ratio. Kepedulian dan peran serta keluarga dalam merawat kesehatan
fisik, mental dan sosial sangat diperlukan untuk mewujudkan lansia yang bertaqwa,
mandiri, produktif dan bermanfaat bagi keluarga dan masyarakat. Tujuan penelitian
ini adalah untuk mengetahui metode ensemble yang dapat meningkatkan akurasi
klasifikasi kesertaan keluarga dalam pelaksanaan Program Bina Keluarga Lansia.
Metode yang digunakan untuk klasifikasi adalah Classification And
Regression Tree (CART) dengan penerapan metode ensemble (Bagging, Boosting dan
Random Forest) yang dianalisis menggunakan aplikasi “Predictive Modeler (R)”.
Variabel yang digunakan sebagai pemilah pohon klasifikasi CART dan paling
menentukan kesertaan keluarga dalam Bina Keluarga Lansia adalah berpartisipasi
dalam kegiatan di masyarakat (X14), melakukan pemeriksaan kesehatan (X3),
memberi makanan bergizi (X1), beribadah (X6), berolahraga (X2), berkumpul
dengan teman sebaya (X13). Data sampel yang tepat diklasifikasikan secara
keseluruhan sebesar 94,71%, sedangkan akurasi prediksi pohon klasifikasi CART
untuk kelas melaksanakan sebesar 100% dan kelas tidak melaksanakan sebesar
96,94%. Metode ensemble yang mampu menghasilkan akurasi klasifikasi yang lebih
baik dibandingkan dengan pohon klasifikasi CART adalah Bagging sebesar 2,59%,
dengan nilai 1-APER, sensitivity, specificity dan G-Means bernilai 1,0 pada data
learning maupun data testing.
BKKBN perlu memperkuat pembinaan program Bina Keluarga Lansia
untuk memfasilitasi bagaimana keluarga untuk ikut berperan serta dalam kegiatan
Bina Keluarga Lansia khususnya perilaku keluarga yang menentukan kesertaan
keluarga dalam Bina Keluarga Lansia. Penerapan ensemble Boosting hendaknya
mempertimbangkan karakteristik data, karena performa Boosting sangat
tergantung pada karakteristik data sehingga akurasi klasifikasi dapat bervariasi.
Penerapan ensemble Random Forest hendaknya mempertimbangkan jumlah
variabel prediktor yang digunakan sebagai pemilah sehingga tidak terjadi korelasi
antara pohon klasifikasi yang dihasilkan dan mencegah diperolehnya pohon
dengan akurasi yang sangat rendah.
Keywords:
- Correction
- Source
- Cite
- Save
- Machine Reading By IdeaReader
0
References
0
Citations
NaN
KQI